Machine Learning Decoding of Circuit-Level Noise for Bivariate Bicycle Codes

Resumen Técnico: Decodificación mediante Aprendizaje Automático de Ruido a Nivel de Circuito para Códigos Bivariantes de Bicicleta

Planteamiento del Problema
La computación cuántica tolerante a fallos depende de decodificadores clásicos para interpretar las mediciones de síndromes e inferir errores. Aunque los decodificadores de Aprendizaje Automático (ML) han mostrado resultados prometedores para el código de superficie, su aplicación a los códigos de Verificación de Paridad de Baja Densidad Cuántica (QLDPC) sigue siendo poco explorada, particularmente para el ruido a nivel de circuito. El ruido a nivel de circuito es más complejo que el ruido de capacidad de código, ya que incluye mediciones defectuosas y propagación de errores, lo que hace que el espacio de entrada crezca exponencialmente con el número de rondas de síndromes. Además, los códigos QLDPC carecen de la estructura de estabilizador local del código de superficie, lo que hace inaplicables los enfoques estándar de convolución o de decodificadores locales. Los bancos de pruebas existentes, como la Propagación de Creencias con Decodificación de Estadísticas Ordenadas (BP-OSD), son efectivos pero sufren de una alta varianza en el tiempo de ejecución y una complejidad de caso peor de orden cúbico, lo que plantea un desafío para la decodificación en tiempo real.

Metodología
Los autores proponen una red neuronal recurrente basada en transformadores diseñada para decodificar el ruido a nivel de circuito en códigos Bivariantes de Bicicleta (BB). El modelo tiene como objetivo aproximar un decodificador de máxima verosimilitud prediciendo la probabilidad de cambios lógicos de medición (errores que anticonmutan con los operadores lógicos) en lugar de reconstruir el error completo a nivel de circuito.

Innovaciones arquitectónicas y de entrenamiento clave incluyen:

1. Atención de Auto-codificación Sensible al Código (Code-Aware Self-Attention): Para abordar la falta de estructura local en los códigos QLDPC, los autores adaptan la atención de auto-codificación (originalmente para códigos clásicos). Este mecanismo restringe los pesos de atención entre los bits de síndromes basándose en la estructura del grafo de Tanner, considerando específicamente los detectores dentro de una distancia de dos. Esto sirve como un sesgo inductivo para acelerar el entrenamiento y mejorar la robustez.
2. Arquitectura Recurrente: El modelo emplea una estructura recurrente para procesar las rondas de medición de síndromes de forma secuencial. Esto reduce el tamaño de la entrada por iteración, mejorando la capacidad de entrenamiento en comparación con el procesamiento de todas las rondas simultáneamente.
3. Salida de Probabilidad Condicional: En lugar de producir un conjunto fijo de clases de error (que sería exponencial en el número de cúbits lógicos), el modelo produce una distribución de probabilidad condicional. Utiliza la predicción autorregresiva para determinar si han ocurrido errores lógicos específicos.
4. Entrenamiento Multietapa con Predicciones en el Espacio Latente: El entrenamiento directo sobre el ruido a nivel de circuito resultó difícil. Los autores utilizan un protocolo de entrenamiento multietapa inspirado en el "prompting de cadena de pensamiento" (chain of thought). Inicialmente, el modelo se entrena para predecir cambios lógicos de medición intermedios después de cada ronda. Gradualmente, el entrenamiento se desplaza hacia predicciones en el espacio latente para las rondas intermedias, donde el modelo emite representaciones internas sin comprometerse con una corrección de error final hasta la ronda de síndromes final. Esto evita que el modelo tome decisiones prematuras con datos insuficientes.

Configuración Experimental
El estudio evalúa el modelo en dos instancias de códigos BB:

• Código BB [[72, 12, 6]]: Un código pequeño con 12 cúbits lógicos.
• Código BB [[144, 12, 12]]: Un código más grande con 12 cúbits lógicos.

El rendimiento se mide frente a una implementación estándar de BP-OSD (usando OSD de tercer orden para tasas de error y de orden cero para las comparativas de tiempo de ejecución) y un decodificador de Programación Entera (IP) (un decodificador de error más probable). Los experimentos simulan experimentos de memoria con ruido de depolarización a nivel de circuito, variando la tasa de error físico ($p$) y el número de rondas de medición de síndromes ruidosas ($NR$).

Resultados Clave

• Código [[72, 12, 6]]:

  • Tasa de Error Lógico: Con una tasa de error físico de $p = 0.1\%$, el decodificador de ML logra una tasa de error lógico aproximadamente 5 veces menor que BP-OSD-3. Sin embargo, sigue siendo aproximadamente 5 veces mayor que el decodificador óptimo IP.
  • Tiempo de Ejecución: El decodificador de ML exhibe un tiempo de ejecución consistente, mientras que BP-OSD muestra una amplia distribución con valores atípicos significativos. El modelo de ML es aproximadamente un orden de magnitud más rápido que las instancias de peor caso de BP-OSD.
  • Generalización: El modelo, entrenado en $p=0.6\%$, se generaliza bien a tasas de error más bajas.
  • Escalabilidad: El rendimiento del modelo mejora significamente a medida que aumenta el número de rondas de síndromes ($NR$), mostrando una mejor supresión de errores por ronda en comparación con BP-OSD.

• Código [[144, 12, 12]]:

  • Tasa de Error Lógico: El decodificador de ML tiene un rendimiento comparable al de BP-OSD-3 para tasas de error físico entre $0.3\%$ y $0.7\%$. Sin embargo, para $p < 0.3\%$, la tasa de error lógico del decodificador de ML se degrada significativamente (por ejemplo, aproximadamente 7 veces peor que BP-OSD en $p=0.1\%$), lo que sugiere que la arquitectura actual tiene dificultades para escalar a distancias de código mayores.
  • Tiempo de Ejecución: Se mantiene la ventaja de velocidad sobre BP-OSD.

Significancia y Reivindicaciones
El artículo presenta evidencia inicial de que los decodificadores de aprendizaje automático pueden superar a los decodificadores convencionales (específicamente BP-OSD) en códigos QLDPC pequeños tanto en términos de tasa de error lógico como de consistencia del tiempo de ejecución en el peor de los casos. Los autores afirman que su trabajo proporciona una base para futuros decodificadores de ML en códigos QLDPC.

Sin embargo, los autores son modestos respecto a la escalabilidad de su enfoque actual. Establecen explícitamente que los resultados sugieren que son necesarias arquitecturas y/o procedimientos de entrenamiento más complejos para lograr las tasas de error lógico deseadas en tamaños de código mayores. El artículo no afirma que el modelo actual resuelva el problema de la decodificación para códigos QLDPC de gran escala, sino que demuestra la viabilidad del enfoque e identifica áreas específicas (como la escalabilidad de la arquitectura y la densidad de datos de entrenamiento en tasas de error bajas) donde se requiere trabajo futuro. Los autores también señalan que, si bien su decodificador es suficiente para la Computación Basada en Pauli (PBC) mediante cambios lógicos de medición, la decodificación en tiempo real para computaciones grandes requerirá desarrollos adicionales, como estrategias de decodificación de ventana paralela.